[發明專利]一種基于深度學習的單類目標檢測方法、設備及存儲介質

有效

• 申請號: 202010772051.1
• 申請日: 2020-08-04
• 公開（公告）號: CN112016400B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 史文中;張敏
• 申請（專利權）人: 香港理工大學深圳研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 溫宏梅

本發明提出了一種基于深度學習的單類目標檢測方法、設備及存儲介質，通過獲取待測地區的第一時期和第二時期感影像數據，基于兩時期遙感影像數據，通過已訓練的深度多示例變化檢測模型，得到與輸入對應的門控制器信息和注意力權重信息；根據所述門控制器信息，得到目標類別物體的場景級變化檢測信息；根據所述注意力權重信息和門控制器信息，使用輪廓提取方法，得到目標類別物體的變化實例圖。本實施例提供的方法，由于使用已訓練的深度多示例變化檢測模型從兩時期遙感影像中學習地物的深度特征，并使用多示例學習框架通過場景級標注樣本對網絡進行訓練，無需要像素級標注樣本，提高了單類目標檢測的效率，減少了人工資源的消耗。

技術領域

本發明涉及遙感領域，尤其涉及一種基于深度學習的單類目標檢測方法、設備及存儲介質。

背景技術

現有技術中，基于監督機器學習的方法，尤其是基于深度學習的方法，需要大量的標記數據進行訓練，而且大多數時候目標地物的尺度和形狀各異，例如：提取滑坡這類少數地物的變化為例，在較大的地理范圍中，真正的滑坡面積非常小，而非滑坡區域占絕大多數，因此難以獲得各種類型的像素級標注訓練樣本用于分類器的訓練，即使通過人工標注也需要耗費大量的時間和精力，因此現有技術中的基于少數地物變化檢測算法，檢測效率低和精度低。

因此，現有技術有待于進一步的改進。

發明內容

鑒于現有技術的不足，本發明目的在于提供一種基于深度學習的單類目標檢測方法、設備及存儲介質，以克服現有技術中的單類目標檢測方法依賴人工進行像素級樣本標注，導致檢測效率低，耗費大量人力資源的缺陷。

本發明的技術方案如下：

第一方面，本實施例公開了一種基于深度學習的單類目標檢測方法，其中，包括：

分別獲取待測地區的第一時期和第二時期感影像數據；

通過已訓練的深度多示例變化檢測模型，得到與所述輸入兩時期遙感影像數據對應的門控制器信息和注意力權重信息；

根據所述門控制器信息，得到目標類別物體的場景級變化檢測信息；

根據所述注意力權重信息、場景級變化檢測信息和門控制器信息，使用輪廓提取方法，得到目標類別物體的變化實例圖。

可選的，所述通過已訓練的深度多示例變化檢測模型，得到與所述兩時期遙感影像數據對應的門控制器信息和注意力權重信息的步驟之前，還包括：

將所述兩時期遙感影像進行預處理，得到預處理后兩時期遙感影像數據。

可選的，所述深度多示例變化檢測模型由以下模塊構成：

特征提取器模塊，用于根據輸入預處理后兩時期遙感數據分別提取影像中地物的深度特征，得到第一時期深度特征圖和第二時期深度特征圖；

深度特征差分模塊，用于根據所述第一時期深度特征圖和第二時期深度特征圖進行特征差分，得到深度特征差分圖；

變化分析模塊，用于根據輸入預處理后兩時期遙感數據，生成影像差分圖；

差分特征疊加模塊，用于基于所述的深度特征差分圖和影像差分圖，得到用于多示例學習的差分特征疊加圖；

注意力池化模塊，用于根據所述差分特征疊加圖，得到注意力池特征圖和注意力權重信息；

門控制器模塊，用于根據所述注意力池特征圖，得到場景級變化檢測信息，其中，所述場景級變化檢測信息包括：分別對應所述輸入預處理后兩時期遙感數據的場景發生變化和未發生變化情況的預測值。

輪廓提取模塊，用于基于所述場景級變化檢測信息、所述注意力權重信息和所述預處理后兩時期遙感數據中的第二時期數據，使用輪廓提取算法，得到最終的變化實例圖。